[发明专利]基于优化结构卷积神经网络的旋转机械故障诊断方法

说明书

本发明公开了一种基于优化结构卷积神经网络的旋转机械故障诊断方法，首先在旋转机械正常状态下和故障状态下采集工作信号，然后转换为灰度图，将灰度图和对应的故障标签作为训练样本对构建的卷积神经网络进行训练；在旋转机械工作过程中，采集工作信号并转换为灰度图，输入训练好的卷积神经网络进行故障诊断。本发明采用将采集得到的旋转机械工作信号转化为灰度图，通过卷积神经网络完成对旋转机械故障的多分类任务。

技术领域

本发明属于工程机械系统故障诊断技术领域，更为具体地讲，涉及一种基于优化结构卷积神经网络的旋转机械故障诊断方法。

背景技术

旋转机械是在工业中使用最广泛的机械，随着现代工业的发展及机械自动化程度提高，其可靠性，可维护性以及安全性都越来越受到人们的关注。滚动轴承作为旋转机械的核心部件之一，据统计在使用滚动轴承的旋转机械设备中，约有30％的机械故障与轴承损伤有关。而且与其他机械零件部件相比，滚动轴承具寿命离散性大的特点，因而在实际工作中，有的轴承已经超过其设计寿命却依然能正常工作，有的轴承远未达到其寿命却出现了各种故障。若轴承故障没有及时发现会使得机器工作精度下降，甚至会导致整个机器故障，造成事故甚至是人员伤亡。同时，滚动轴承是非常复杂的动力学系统。当轴承出现故障时，其动力学行为通常表现出比较复杂的非线性特征。信号不但呈现出非平稳性，而且常常伴随复杂的自相似性，表现出混沌和分形等非线性特征，在这种情况下，要从非平稳的轴承振动信号中提取表征轴承动力学行为的特征参数，从而识别轴承损伤的严重程度就变得非常困难。但是设备在工作过程中总会经历由正常到退化到最终失效的过程，如果能够实时监测设备健康信息，对于维护策略的制定、降低维护成本和生产损失有着积极的意义。

虽然传统的智能故障诊断系统理论成熟，方法多样，但是面对现在越来越复杂的智能工业设备已无法满足要求。首先，大多机器学习的方法无法直接使用原始信号而需要通过人为设计的特征提取器进行特征提取，而特征提取依赖先验知识，且在提取过程中会丢失许多信息。而现有大多故障分类方法都是经过预处理(魏格纳分布、小波变换、经验模态分解等)后，粗粒化地提取序列的特征。时频特征提取之后送入支持向量机、提取MFDFA特征之后送入马氏判别系统、基于信息学的提取数据信息熵后送入K聚类判别。这些方法可以有效的处理非平稳时间序列，但是由于隐去了原始时间序列，转而采用依靠特征分类的方式，难以全面地表达原始时间序列的信息，无法实现高精度的分类。传统的机器学习模型最终的识别精度严重依赖于提取到的特征，并且特征提取存在两个问题：一是处理后的数据是否具有良好的表述信号特征的能力，二是预处理过程极度耗费时间。因此在工程实际使用时，传统的机械学习模型存在速度慢、准确率低的问题，需要研究解决。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于优化结构卷积神经网络的旋转机械故障诊断方法，将采集得到的旋转机械工作信号转化为灰度图，通过卷积神经网络完成对旋转机械故障的多分类任务。

为实现上述发明目的，本发明基于优化结构卷积神经网络的旋转机械故障诊断方法包括以下步骤：

S1：分别在旋转机械正常状态下和R种故障状态下随机截取长度为M²的工作信号L_n(m)，其中n＝1,2,…,N，N表示工作信号的数量，m＝0,1,…,M²-1，M²＝k×2^d，并且M²＞T，T表示工作信号的周期，记每段工作信号L_n(m)对应的标签为Y_n，标签Y_n用于标识工作信号对应的旋转机械的工作状态；将每段工作信号转化为大小为M×M的灰度图I_n，灰度图中像素点(i,j)的像素值f_n(i,j)采用以下公式计算：